1

LAPORAN BIOMETRI

“SAS Regresi”

Disusun oleh :

Nama :Kuswantoro

Nim : F1071131006

Kelompok : 1 (satu)

PRODI PENDIDIKAN BIOLOGI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS TANJUNGPURA

2016
 2

A. Pendahuluan

Program SAS (Statistical Analisis System) merupakan suatu program yang

dirancang khusus untuk analisis data hasil penelitian dengan kapasitas modul-modul yang
sangat spesifik sesuai yang diharapkan pengguna dalam :

1. penyimpanan, pemanggilan, dan manipulasi data;

2. analisis statistika sederhana maupun yang komplek; dan
3. Pembuatan laporan hasil analisis.

Modul-modul yang tercakup pada program SAS yaitu terdiri dari :

a. SAS/BASE merupakan modul dasar yang berkaitan dengan system SAS

disamping dapat menganalisis regresi sederhana,
b. SAS/STAT dapat dimanfaatkan untuk analisis statistika lanjutan dan
c. SAS/GRAPH merupakan suatu modul yang berhubungan dengan pembuatan
grafik,
d. SAS/ETS digunakan untuk analisis ekonomi dan time series.
e. SAS/IML digunakan untuk program-program komplek dengan menggunakan
matrik dan,
f. SAS/AF berkaitan dengan interaktif menu. Secara umum penggunaan program
SAS didasarkan pada dua tahapan yaitu tahapan data dan tahapan prosedur.
(Algifari, 1997).

Analisis regresi merupakan salah satu bagian dari beberapa analisa statistika.
Analisis regresi bertujuan untuk mengetahui keeratan hubungan antara dua variable atau
lebih. Dalam analisis regresi membutuhkan dua kelompok data hasil observasi/pengukuran
yang diperoleh dari pelbagai bidang komoditas di lapangan, sehingga pasangan data hasil
observasi secara terurut (Xi, Yi) dimana i=1,2,3,4,….n.

Adapun rumus matematis dari analisa regresi linear yaitu :

Y= a + bX ;

Dimana :
 3

Y = variable dependent

a = Intersep (titik potong kurva terhadap sumbu Y)

b = Slope kurva linear

X = variable independent. (Budi). 1992

Sedangkan rumus matematis untuk analisa regresi berganda yaitu :

Y = a + bX1 + cX2 + dX3 + …. nXn

Keeratan hubungan dari sebaran sampel dengan kurva linear dapat digambarkan
sebagai berikut :

Y y = a+bX

0 X

Analisis korelasi merupakan suatu alat statistika yang digunakan untuk mengetahui
derajat hubungan linear antara satu variable dengan variable lainnya dan pada umumnya
dapat dihubungkan dengan analisa regresi guna mengukur kesimpulan garis regresi pada
variable independent yang juga dapat menentukan koefisien determinan (R2). Koefisien
determinan dapat digunakan untuk mengetahui persentase pengaruh variable independent
terhadap variable dependent, sedangkan akar dari koefisien determinan (r=√R2) adalah
koefisien korelasi yang dapat digunakan untuk :

a. Mengetahui keeratan hubungan antara dua variable.

b. Mengetahui arah hubungan antara dua variable. (Triyono, 2000).
 4

Penganalisisan data dapat dilakukan dengan berbagai cara yaitu secara manual dan
komputasi. Secara manual mengacu pada rumus-rumus sesuai metoda statistika.
Penghitungan secara manual diperlukan kehati-hatian apabila jumlah variable dan
observasi cukup besar akan timbul kekeliruan, disamping inefficiency waktu. Untuk
menghindari kekeliruan, keakuratan dan kecepatan dalam penghitungan analisis data,
program statistik diantaranya Statistical Analysis System (SAS), dengan mempergunakan
‘Proc Reg’ pada SAS dapat dimanfaatkan untuk melakukan berbagai analisis yang
berkaitan dengan analisis regresi yaitu :

(a) model linear berganda;

(b) matrik korelasi;

(c) nilai dugaan, sisaan, sisaan baku dan batas kepercayaan; dan

(d) uji hipotesis linear dan variable ganda.

Untuk lebih jelasnya langkah-langkah penggunaan program SAS dapat dilihat pada
gambar

Log sebagai tampilan penelusuran

tahapan prosedur program dan data
bila terjadi kesalahan penulisan.

Tahapan data yang dianalis sebagai file

data pada floppy Disk (Drive A:)
 5

Tahapan

Prosedur sebagai File

Dalam Proc Corr dan Proc Reg dengan diikuti pernyataan model dan beberapa
pilihan (option) yaitu : model variabel dependent = variabel-variabel independent/option.
Bentuk model secara umum pada Proc Corr dan Proc Reg (SAS) adalah :

PROC CORR;

VAR nama variable;

PROC REG DATA=nama file sas pilihan;

MODEL variable dependent=variable-variabel ndpendent/option; OUTPUT

OUT=nama file sas katakunci=nama;

TEST persamaan 1, .., persamaan k; RUN;

Fungsi dari pernyataan-pernyataan tersebut di atas adalah :

 Proc Corr untuk analisis korelasi

 Var nama variable, menunjukkan variable yang akan dianalisis.
 Proc Reg untuk analisis regresi
 Model variable dependent=variable independent yang mengacu pada rumus
matematis sesuai metode statistika
 TEST digunakan untuk menguji hipotesis pada parameter model. (Yusnandar,
1998).
 6

Bentuk pernyataan TEST yaitu :

A: TEST X1+X2 =1;

B: TEST X1=0, X2=0;

C: TEST X1, X2;

Dan bila dinyatakan dalam pernyataan model dapat ditulis sbb.

PROC REG;

MODEL Y=X1 X2;

TEST X1+X2=1;

RUN;

Pada pernyataan A : TEST X1+X2=1, untuk menguji hipotesis nol, bahwa

X1+X2=1, Sedangkan beberapa pilihan (option) lainnya yang tercakup pada
analisis regresi diantaranya :

; - Titik koma merupakan penutup dari

setiap
pernyataan
NOINT - dugaan model tanpa intercept
XPX - matriks X’X, X’Y dan Y’Y dicetak
TOL - nilai toleransi penduga
COLLIN - analisis secara detail terhadap
kekolinearan
diantara
variable Independen
P(Predicte - nilai dugaan
d)
R(Residua - nilai sisaan
 7

l)
CLM - batas atas dan batas bawah dengan
selang
kepercayaan
95% dari nilai harapan variable dependen
untuk
setiap pengamatan
CLI - batas atas dan batas bawah dengan
selang
kepercayaan
95% dari nilai dugaan
individu/pengamatan.
DW - menghitung statistik Durbin Watson
BACKW - Metoda Stepwise dengan independen
ARD variable
secara berurutan berdasarkan nilai F

FOREWA - Metoda Stepwise dengan variable

RD independen
yang memiliki taraf nyata saja pada
tingkat
significant tertentu (alpha=5%).
(Dajan, 1988)

B. Hasil Pengamatan
1. Data Input

DATA WULAN;

INPUT X Y;

CARDS;

1.0 41.3

1.5 34.0
 8

2.0 32.5

2.5 35.2

3.0 28.8

3.5 25.6

4.0 30.1

4.5 25.7

5.0 22.6

5.5 20.3

6.0 18.8

6.5 17.1

RUN;

PROC REG;

TITLE ‘HASIL ANALISIS REGRESI’;

MODEL Y=X;

RUN;

2. Data Output
HASIL ANALISIS REGRESI 1
16:07 Tuesday, May 20, 1997

Model: MODEL1
Dependent Variable: Y

Analysis of Variance

Sum of Mean
Source DF Squares Square F Value
Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
Error 10 50.81023 5.08102
C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
 9

C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0

INTERCEP 1 42.252331 1.55630103 27.149

X 1 -3.889510 0.37699672 -10.317

Variable DF Prob > |T|

INTERCEP 1 0.0001
X 1 0.0001

1. Data input
DATA WULAN;

INPUT X Y;

CARDS;

24 10

22 5

21 6

20 3

22 6

19 4

20 5

23 9

24 11

25 13

21 7

20 4

20 6

19 3

25 12

27 13
 10

28 16

25 12

26 14

24 12

27 16

23 9

24 13

23 11

22 7

21 5

26 12

25 11

26 13

27 14

RUN;

PROC REG;

TITLE ‘HASIL ANALISIS REGRESI’;

MODEL Y=X;

RUN;

2. Data Output
HASIL ANALISIS REGRESI 1
16:07 Tuesday, May 20, 1997

Model: MODEL1
Dependent Variable: Y

Analysis of Variance

Sum of Mean
Source DF Squares Square F Value
Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
 11

Error 10 50.81023 5.08102

C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0

INTERCEP 1 42.252331 1.55630103 27.149

X 1 -3.889510 0.37699672 -10.317

Variable DF Prob > |T|

INTERCEP 1 0.0001
X 1 0.0001

C. Pembahasan
Praktikum ini dilaksanakan pada hari Rabu 23 november 2016 pukul 15:30-
selesai di laboratorium pendidikan biologi. Adapun alat yang digunakan pada praktikum
ini yaitu berupa komputer dan in-focus sedangkan untuk bahannya berupa data mentah
dalam bentuk fotocopy-an. Praktikum ini bertujuaan untuk mempelajari cara mengolah
data regresi dengan menggunakan program SAS.
Regresi adalah salah satu metode untuk menentukan hubungan sebab-akibat antara
satu variabel dengan variabel-variabel yang lain. Analisis regresi adalah salah satu analisis
yang paling populer dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk
melakukan prediksi dan ramalan. Analisis ini juga digunakan untuk memahami variabel
bebas mana saja yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-
bentuk hubungan tersebut. Regeresi dikatakan layak jika angka signofikasi pada ANOVA
sebesar <0.05 Kelayakan ini diketahui jika angka Standart error of estimasi < Standart
Deviation.
Didalam praktikum yang pertama yaitu ini digunakan perintah yang dimasukkan
kedalam suatu program yang bernama SAS (Statistical Analysis System) “, dan diberi data
WULAN. Berikut hasil Outputnya yaitu :

HASIL ANALISIS REGRESI 1

16:07 Tuesday, May 20, 1997

Model: MODEL1
Dependent Variable: Y
 12

Analysis of Variance

Sum of Mean
Source DF Squares Square F Value
Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
Error 10 50.81023 5.08102
C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0

INTERCEP 1 42.252331 1.55630103 27.149

X 1 -3.889510 0.37699672 -10.317

Variable DF Prob > |T|

INTERCEP 1 0.0001
X 1 0.0001

Dari keterangan tersebut diketahui:

Proc reg; merupakan perintah untuk mencetak tabel regresi

model Y=X; Run; merupakan model linier dari regresi

berdasar kan hasil pengamatan didapatkan hasil bahwa F tab 0.05;1,10 = 4.96

Maka F Value = 106.442 > F tab = 4.96, kesimpulan bahwa ada perbedaan yang
signifikan.

R-square menunjukkan berapa banyak data yang masuk dalam model. Pada contoh diatas
didapat nilai 0.9141 atau 91.41% yang berarti bahwa model mendekati akurat untuk
menggambarkan data sebenarnya.

Nilai Pr > F menunjukkan tingkat signifikan. Dari hasil yang didapat yaitu 0.0001 berarti
bahwa tingkat signifikannya tinggi.

Nilai a = parameter estimate intercept = 42.25

Nilai b = parameter estimate X = -3.89
 13

Adapun pada output menunjukkan bahwa hasil analisis signifikan. Hal ini
dikarenakan prob>|T| bernilai kurang dari 0.05 yaitu 0.0001 sehingga hipotesis nol ditolak.

HASIL ANALISIS REGRESI 1

16:07 Tuesday, May 20, 1997

Model: MODEL1
Dependent Variable: Y

Analysis of Variance

Sum of Mean
Source DF Squares Square F Value
Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
Error 10 50.81023 5.08102
C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0

INTERCEP 1 42.252331 1.55630103 27.149

X 1 -3.889510 0.37699672 -10.317

Variable DF Prob > |T|

INTERCEP 1 0.0001
X 1 0.0001

Pada data kedua ini sebenarnya terdapat paramater estimasi sama pada data kesatu.
Dimana parameter standar T untuk hipotesis nol yang didapatkan adalah probabilitas> (T)
yang artinya Ho dari kedua data analisis menunjukkan variabel intercept=0,0001 dan
variabel X=0,0001), tersebut diterima atau ada cukup bukti untuk menerima H0 dan
menolak H1. Pernyataan tersebut sesuai dengan pernyataan yang dikemukakan oleh
pendapat Agustian, 2011. jika nilai T semakin besar atau menjauhi 0, maka akan menolak
 14

H0, begitupun sebaliknya jika nilai T semakin kecil atau mendekati H0, maka H0 diterima.
Hal ini terjadi karena ada pengaruh X terhadap Y, karena data yang diperoleh signifikan
maka untuk melihat seberapa persen pengaruh X terhadap Y dengan melihat R-squre nya.
Akan tetapi jika data yang diperoleh tidak signifikan maka X tidak mempengaruhi Y. R-
square diketahui pada perhitungan sebesar 0,9141 artinya pengaruh X terhadap Y adalah
91% dan terdapat pengaruh nyata diantara variabel Y terhadap X.

D. Kesimpulan

Praktikum ini bertujuaan untuk mempelajari cara mengolah data regresi dengan
menggunakan program SAS. Berdasarkan hasil pengamatan dapat disimpulkan bahwa
regresi merupakan salah satu metode untuk menentukan hubungan sebab-akibat antara satu
variabel dengan variabel yang lain. Dalam Regresi Jika sig > 0.05; koefesien regresi tidak
signifikan. Hipotesis nol yang didapatkan adalah probabilitas> (T) yang artinya Ho dari
kedua data analisis menunjukkan variabel intercept=0,0001 dan variabel X=0,0001).
Menurut Agustian, 2011. jika nilai T semakin besar atau menjauhi 0, maka akan menolak
H0, begitupun sebaliknya jika nilai T semakin kecil atau mendekati H0, maka H0 diterima.
 15

DAFTAR PUSTAKA

Agustian. 2011. Rancangan Pembuktian Analisis Data Regresi. Yogyakarta: FMIPA

Universitas Negeri Yogyakarta.

Algifari. 1997. Analisis Statistik untuk Bisnis dengan Regresi, Korelasi dan non
Parametrik. Yogyakarta: BPFE Yogyakarta.

Budi Susetyo dan Aunuddin. 1992. Petunjuk Praktikum Penggunaan Komputer Mikro
untuk Biologi Lingkungan. Pusat Antar Universitas Ilmu Hayat. Bandung: Institut
Pertanian Bogor.

Triyono, Djoko. 2000. Manajemen Database dan Aplikasi Program SAS untuk Analisa
Data. Prosiding Lokakarya Fungsional non Peneliti 5 September 2000. Pusat
Penelitian dan Pengembangan Peternakan.

Yusnandar,M.E. dan Siti Aminah. 1998. Penggunaan Perangkat Lunak SAS untuk
Mengolah dan Menganalisa Data. Prosiding Lokakarya Fungsional non Peneliti, 16
Desember 1998. Pusat Penelitian dan Pengembangan Peternakan.
 1

Lampiran

DATA WULAN;

INPUT X Y;

CARDS;

2.0 41.3

1.5 34.0

2.0 32.5

2.5 35.2

3.0 28.8

3.5 25.6

4.0 30.1

4.5 25.7

5.0 22.6

5.5 20.3

6.0 18.8

6.5 17.1

RUN;

PROC REG;

TITLE ‘HASIL ANALISIS REGRESI’;

MODEL Y=X;

RUN;

HASIL ANALISIS REGRESI 1

16:07 Tuesday, May 20, 1997

Model: MODEL1
Dependent Variable: Y

Analysis of Variance

Sum of Mean
 2

Source DF Squares Square F Value

Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
Error 10 50.81023 5.08102
C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0

INTERCEP 1 42.252331 1.55630103 27.149

X 1 -3.889510 0.37699672 -10.317

Variable DF Prob > |T|

INTERCEP 1 0.0001
X 1 0.0001

DATA WULAN;

INPUT X Y;

CARDS;

24 10

22 5

21 6

20 3

22 6

19 4

20 5

23 9

24 11

25 13

21 7

20 4
 3

20 6

19 3

25 12

27 13

28 16

25 12

26 14

24 12

27 16

23 9

24 13

23 11

22 7

21 5

26 12

25 11

26 13

27 14

RUN;

PROC REG;

TITLE ‘HASIL ANALISIS REGRESI’;

MODEL Y=X;

RUN;

HASIL ANALISIS REGRESI 1

16:07 Tuesday, May 20, 1997

Model: MODEL1
Dependent Variable: Y

Analysis of Variance

Sum of Mean
 4

Source DF Squares Square F Value

Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
Error 10 50.81023 5.08102
C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0

INTERCEP 1 42.252331 1.55630103 27.149

X 1 -3.889510 0.37699672 -10.317

Variable DF Prob > |T|

INTERCEP 1 0.0001
X 1 0.0001